【目的】探究光学和雷达卫星遥感对亚热带森林生物量的反演潜力。【方法】利用不同季节时间序列的合成孔径雷达(Senitinel-1)和光学数据(Sentinel-2)，对太平湖生态保护区森林地上生物量进行反演。基于后向散射系数、光谱波段、植被指数和生物物理参数，采用回归随机森林算法探究Sentinel-1和Sentinel-2在地上生物量制图中的精度，探究对亚热带森林地上生物量制图的最佳影像采集时期，评估光学和雷达遥感特征参数对提高地上生物量估计精度的贡献。【结果】Sentinel-2对研究区森林地上生物量的估计精度[决定系数(R~2)=0.68，均方根误差(E_(RMS))=37.69 Mg·hm~(-2)]要优于Sentinel-1 (R~2=0.47,E_(RMS)=49.11 Mg·hm~(-2))，但两者联合产生了最佳结果 (R~2=0.78,E_(RMS)=31.56 Mg·hm~(-2))。生长季(6和9月)的光学数据和旱季(12月)获得的雷达数据结合有利于提高地上生物量估算精度。另外，Sentinel-2提取的叶面积指数(LAI)、光合有效辐射吸收比(fapar)和覆盖度(fcover)与Sentinel-1提取的VH极化和VH+VV指数对地上生物量估算具有重要的贡献度。【结论】通过联合不同季节的光学和雷达数据，明确了6、9、12月与LAI、fapar、VH极化、VH+VV指数是地上生物量反演的最佳时相和预测变量。图8表3参29

生物量是林业和生态应用研究的重要信息,森林生态系统地上生物量估算的遥感技术引起了国内外学者的广泛关注。总结与探讨不同数据源与估算方法能够为森林地上生物量的估算提供指导。本文首先总结并探讨单传感器遥感数据,包括光学遥感、合成孔径雷达与激光雷达数据在森林地上生物量估算中的应用,以及协同使用多源遥感数据估算森林地上生物量的优势;然后论述森林地上生物量估算的传统模型估算法与机器学习估算方法(决策树法、K最近邻法、人工神经网络、支持向量机、最大熵)。多源遥感数据集成能够结合不同数据的优势,能够为森林地上生物量估算提供丰富的特征信息,结合机器学习估算方法,是提高森林地上生物量估算的准确性的发展趋势。

【目的】针对多源遥感数据及其派生特征因子数据维度高、信息冗余、易造成估测模型过拟合等问题,从高维度遥感特征因子中高效优化特征组合,优化区域森林地上生物量(AGB)的k最近邻(k-NN)估测模型。【方法】提出基于快速迭代特征选择的k最近邻法(KNN-FIFS),以森林资源样地调查数据计算的森林AGB为参考,以留一法交叉验证(LOO)相应的k-NN模型反演的森林AGB均方根误差(RMSE)最小为原则,依次迭代选取遥感特征,优化区域森林AGB的k-NN估测模型。以大兴安岭根河森林保护区为研究区,结合Landsat-8 OLI各波段光谱信息、植被指数、纹理、地形因子、机载合成孔径雷达(SAR)P-波段HV极化后向散射强度信息(PHV)以及森林资源样地调查数据,利用KNN-FIFS方法估测研究区森林AGB,并与多元线性逐步回归法(SMLR)进行对比分析。【结果】利用KNN-FIFS方法,得到当k为3,特征组合为PHV、短波红外波段一均一性(H6)、短波红外波段一二阶矩(S6)、短波红外波段二二阶矩(S7)、海蓝波段相关性(Cr1)、近红外波段相关性(Cr5)、海蓝波段相异性(D1)、增强型植被指数(EVI)时,研究区森林AGB估测结果最优,其精度(R~2=0.77,RMSE=22.74 t·hm~(-2))显著优于SMLR估测精度(R~2=0.53,RMSE=32.37 t·hm~(-2))。【结论】KNN-FIFS方法相比SMLR更适用于森林AGB多源遥感估测;KNN-FIFS方法可以从高维度遥感特征因子中高效选取相关特征进行森林AGB估测。

森林对维护区域生态环境及全球碳平衡、缓解全球气候变化发挥着不可替代的作用,对森林地上生物量进行精确估测能够大大减小陆地生态系统碳储量的不确定性。本文结合机载激光雷达、星载激光雷达和成像光学遥感等数据进行大湄公河次区域的森林地上生物量估测,生成连续的森林地上生物量图。结果表明:①基于星机地协同观测数据可以有效地估测森林地上生物量,模型总体平均误差为34t/hm~2,相关系数为0.7;②估测结果与FAO FRA 2010报告以及其它报告公布的结果相比,一致性较好,平均差异为13.3%;③根据本文的遥感反演结果,大湄公河次区域森林生物量总量为62.72亿t,其中常绿阔叶林占71%,落叶阔叶林占10%...

【目的】以黑河流域上游祁连山森林保护区为研究区,利用133个森林样地调查数据、Landsat-5 TM影像和ASTER GDEM产品为数据源,探讨地形对该流域森林地上生物量(above-ground biomass,AGB)估测的影响,以及选择合适的遥感估测方法反演该流域的森林AGB。【方法】首先利用青海云杉特殊的生境范围和绿色植被对比值植被指数(ratio vegetation index,RVI)的灵敏程度,及不同地物对纹理特征的不同响应,制定相应的决策树分类器,将研究区的土地覆盖类型分为两大类:森林(青海云杉)-非森林,并利用133个森林样地调查数据和Google Earth高分辨率影像...

【目的】从反映森林冠层大小的树冠纹理结构出发,利用高空间分辨率遥感影像中树冠纹理的周期性信息,提取基于傅里叶变换纹理序列的纹理指数(FOTO,Fourier-based textural ordination)估测森林地上生物量,探究FOTO纹理因子在温带森林生物量估测上的潜力,为提取新型纹理参数估算森林生物量提供新的参考途径。【方法】以2009年9月获取的小兴安岭地区凉水国家自然保护区(47°11'N,128°53'E)高分辨率机载航空影像(空间分辨率0.5 m)为例,通过提取CCD影像的FOTO纹理参

【目的】森林地上生物量对评价全球碳平衡和气候变化有重要作用,以安徽省霍山县为研究区,Landsat OLI和TIRS影像为基础数据,研究地表温度对森林地上生物量的影响效应。【方法】以Landsat OLI为遥感数据源,在基于灰度共生矩阵的支持下,提取覆盖研究区的遥感影像的纹理特征,并结合原始多光谱遥感影像和研究区的地形特征构建基于3种因子的森林蓄积量反演模型,并根据最优模型来推算研究区的森林地上生物量。根据Landsat TIRS数据对研究区的地表温度进行反演,并将森林地上生物量和地表温度反演数据结合,分析地表温度对森林地上生物量的影响机制。【结果】1)本研究共构建3种模型对森林蓄积量进行反演研究,包括:基于光谱特征的森林蓄积量反演模型,基于纹理特征的森林蓄积量反演模型和基于多特征的森林蓄积量反演模型。2)对森林蓄积量反演模型的精度进行评价,结果显示基于多特征的森林蓄积量反演模型精度最高,复相关系数达到0.751 9,说明该模型可用于研究区的森林蓄积量反演研究,森林蓄积量反演结果可用于研究区的森林地上生物量推算。【结论】研究结果表明在研究区内海拔200 m以下和700 m以上的区域,地表温度对森林地上生物量的影响效应不明显;在海拔200～400 m梯度范围内,森林地上生物量与地表温度的相关性逐渐增大;海拔400 m以上,森林地上生物量与地表温度的相关性与200～400 m范围内相比逐渐减小,但总体上,在400～700 m海拔梯度内,两者仍呈现出较强相关性。

基于吉林省汪清林业局金苍林场二类调查的局级固定样地数据,利用地统计学的普通克里格法和协同克里格法对研究区域内森林地上生物量进行估计(协同克里格法以地上生物量为主变量,以胸高断面积为协变量),并对2种插值方法进行比较。结果表明:在研究区域内普通克里格法预测精度较低;而协同克里格法能够显著提高预测精度,所产生的均方根误差(RMSE)减少49.0%,平均标准误差(ASE)减少39.4%,预测值和实测值的相关系数提高68.4%。通过插值得到整个林场生物量的空间分布格局图,生物量的分布存在明显的空间异质性。林场平均生物量密度为111.9t·hm-2,总生物量达3.578Tg;并从不同森林类型和龄组对生物...

【目的】准确地估测森林地上生物量（above ground biomass,AGB）对大区域森林资源调查和管理至关重要，机器学习算法能实现森林AGB高精度估测，但超参数的设置能直接影响模型效果。为了提升模型的构建效率和预测精度，研究通过构建超参数优化的机器学习算法进行森林AGB估测，并比较不同超参数下的模型误差变化。【方法】以西藏自治区江达县天然林为研究对象，利用森林资源调查数据提取实测森林AGB数据，结合Sentinel-2多光谱影像提取遥感变量。采用逐步回归法和Boruta法分别进行遥感变量筛选，构建多元线性回归模型、支持向量机模型和随机森林模型进行森林AGB反演。此外，对支持向量机模型和随机森林模型进行超参数优化，以提高模型反演精度。【结果】1）随机森林模型在所有反演模型中实现了最佳的估测精度，模型决定系数达到了0.63，同时实现了最低的均方根误差和相对均方根误差，分别为28.06 t/hm~2和23.03%。均方根误差相比多元线性回归模型和支持向量机模型分别降低了22.2%和12.1%。2）超参数优化可以有效地提高模型估测精度。通过分析不同参数组合下的误差变化趋势，确定最佳的参数组合，能有效地降低模型估测误差。3）较高的森林AGB值主要分布在东部、南部和东南部地区，中部地区和北部部分地区森林AGB值较小。超参数优化的随机森林模型森林AGB反演结果与研究区实际森林分布情况具有较好的一致性，整体反演效果较好。【结论】利用超参数优化的随机森林模型结合Sentinel-2遥感影像能实现较好的森林AGB反演效果，能为森林资源动态监测提供有效参考。

【目的】以多源遥感数据为基础,在郁闭度较高的天然次生林中采用非参数模型及随机森林偏差校正模型估测森林地上生物量(Aboveground biomass, AGB),为大尺度估测森林生物量提供了依据。【方法】以东北林业大学帽儿山实验林场142块森林资源连续清查固定样地复测数据、机载激光雷达(Airborne laser scanning, ALS)和多光谱Landsat8 OLI影像为数据源,提取46个特征变量(其中ALS:24个;OLI:22个特征变量)后进行特征变量筛选,利用多元逐步回归(Multiple stepwise regression, MSR)、支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和随机森林偏差校正(Bias-Corrected RF, BCRF)构建森林AGB估测模型,采用调整决定系数(Ra2dj),均方根误差(RMSE)和相对均方根误差(rRMSE)对估测结果进行精度评价。【结果】多源遥感数据要优于单一数据源,非参数模型(RF(Ra2dj=0.68,RMSE=49.71 t·hm-2, rRMSE=32.48%)和SVM(Ra2dj=0.64, RMSE=52.80 t·hm-2, rRMSE=35.28%))优于传统的MSR模型(Ra2dj=0.52,RMSE=57.29 t·hm-2, rRMSE=43.26%)的估测精度。选择最优的RF估测模型进行偏差校正,BCRF的rRMSE=21.84%,此时的生物量估测效果最佳(较RF模型的rRMSE下降10.64%)。当AGB在100～200 t·hm-2范围内,非参数算法(SVM、RF和BCRF)对AGB估测效果最佳(与MSR模型相比RMSE由48.87 t·hm-2减小到13.72～23.55 t·hm-2,rRMSE由28.15%下降至8.69%～16.13%);特别地,当AGB小于100 t·hm-2时,BCRF模型可以改善RF模型AGB估测的饱和现象,模型预测性能提升11.0%(RMSE与RF相比减小27.66 t·hm-2,rRMSE下降10.99%)。【结论】以多源遥感数据结合为基础,BCRF模型对AGB的估测精度更高,效果更稳定,且BCRF可以有效地削弱生物量估测中出现的小值偏大的现象。

[目的]单一遥感技术估测森林生物量存在较大局限性，本研究旨在利用多源遥感协同技术互补激光雷达和光学遥感的优势，提高生物量估测精度。[方法]以星载激光雷达GEDI和光学遥感Landsat8数据为主要信息源，采用序贯高斯条件模拟方法实现GEDI光斑数据由“点”到“面”的空间扩展，结合地面138块生物量调查样地，利用随机森林回归方法估测云南省香格里拉云冷杉林的地上生物量。[结果]（1）采用序贯高斯条件模拟方法对GEDI光斑点进行空间插值，模拟的12个生物物理指标在空间分布上呈现出随机性、破碎化的特征，这与森林的空间分布聚集性非常相似，参与建模的9个指标OEC均大于0.90;(2)利用单一Landsat8光学遥感数据和地形因子构建的随机森林模型精度为：R~2=0.82,RMSE=35.51 t·hm~(-2),P=0.77;Landsat8数据协同星载激光雷达GEDI数据构建的随机森林模型精度为：R~2=0.86,RMSE=32.11 t·hm~(-2),P=0.80，模型精度明显提升；（3）利用多源遥感技术估测的香格里拉2019年云冷杉林地上的生物量总量为37 042 605.68 t，平均生物量为123.28 t·hm~(-2)。[结论]基于地统计学的序贯高斯条件模拟方法考虑到研究对象的空间异质性、能克服一定的平滑效应，用于实现激光点由“点”到“面”的空间扩展是可行的。星载激光雷达GEDI与光学遥感Landsat8协同的多源遥感数据可有效填补单一遥感数据源的缺陷，提高森林生物量的估测精度，能为激光雷达联合光学遥感估测大范围、全覆盖的森林生物量提供参考。

【目的】以Sentinel-2遥感影像数据为基础，结合森林实测样地数据，以崇礼区森林地上生物量反演为例提出反演新思路。【方法】基于2021年7月河北省崇礼区Sentinel-2遥感影像数据、2021年6—8月的71块崇礼区森林样地实测数据，利用实测数据中的胸径、树高，根据河北省森林生物量计算公式计算各样地实测生物量，通过SNAP、ENVI等软件对遥感数据进行重采样、裁剪等预处理，提取影像原始波段，并计算植被指数、纹理因子、缨帽指数等遥感因子，对遥感因子进行皮尔逊相关性分析筛选，并以匹配最佳纹理窗口大小优化纹理因子的选择，分别采用多元线性回归、BP神经网络以及随机森林3种算法进行崇礼区AGB建模，利用R~2以及RMSE评价其模型精度，并选取最优模型进行生物量反演并绘制生物量空间分布图。【结果】1)在遥感因子选择中，除了常规的绿波段、红波段和2个植被红边波段与植被指数DVI、SAVI、EVI，纹理因子的均值和缨帽指数的亮度与绿度在生物量反演模型的建立中也起到了重要的作用，且纹理因子窗口大小的选择也会对最终模型的精度造成影响；2)3种模型的精度均满足反演生物量的要求，以随机森林模型效果最好、多元线性回归模型次之、BP神经网络模型精度最低，但经过十则交叉验证法的BP模型精度有所提升，最优的随机森林模型R~2达到了0.843;3)经过最优模型的反演，崇礼区AGB分布主要在50～200 mg·hm~(-2)，集中在西部环山地带，存在明显的空间异质性。【结论】利用Sentinel-2遥感影像反演森林生物量具有较高的精度，随着植被指数、缨帽指数、纹理因子的加入，模型效果呈递增趋势，并且纹理因子的窗口大小选择在森林生物量遥感反演中有着重要的影响。

应用一种非破坏性的地球物理探测技术——雷达遥感技术,探测土栖白蚁巢穴。通过对金属管和蚁巢的掩埋模拟探测试验,测定地下目标影像尺寸,建立目标-影像尺寸线性关系模型,构建土栖白蚁蚁巢的二维和三维影像图;通过林地实地探测,获取不同目标反射的影像数据,有代表性地开挖验证,初步获得金属、树根、空洞和蚁巢4类地下主要目标影像特征;蚁巢尺寸的雷达遥感测量数据综合误差率为1.93%。雷达地下遥感探测技术是土栖白蚁监测和防灾减灾的有效辅助工具。

【目的】采用KNN方法进行碳储量估测,并对估测后的数据进行各种校正处理,绘制森林地上碳储量的空间分布图,为我国森林碳储量和固碳潜力的研究提供基础数据和科学依据。【方法】以黑龙江省大兴安岭为研究区(50°05'—53°33'N,121°11'—127°01'E),基于2010年森林资源连续清查固定样地和同年Landsat5 TM影像数据,利用k-邻近法(KNN)在像素级水平上对森林地上碳储量进行估算。采用多准则方法分东、南、北和中4个区域对样地坐标和其对应的影像光谱值进行坐标重配准,并根据实测样地数据对坐标重配置前后不同林分类型地上碳储量估测精度进行评价;针对KNN方法像素级估测结果存在明显的高...

根据所采用数据源的不同,介绍了当前国内外森林地上生物量测算中所用的主要方法,即基于森林资源清查的方法和基于遥感估测的方法。根据国内外前期研究成果,概括了这两种方法的特点及其存在的一些不足,初步探讨了结合多源数据联合估测森林地上生物量的方法。结合当前森林地上生物量研究中存在的问题,讨论了估测方法的尺度、模型与参数化以及精度与验证的问题,最后提出了今后森林地上生物量研究中应重点开展的工作。